GPT-5.6深度評測：Sol/Terra/Luna三兄弟誰才是你的菜？
先說結論：這是我今年看過最實用的更新
上週三早上刷Twitter，首頁被”GPT-5.6”洗版了。我第一反應是「又來？5.5才發三個月啊」。但花了一週深度用了之後，我得承認——這次真不是換皮更新。
GPT-5.6不是一個模型，是三個。OpenAI這次搞了個家族：**Sol（太陽）**是你的旗艦猛獸，**Terra（大地）**是日常主力，**Luna（月亮）**是便宜夠用的輕量選手。名字挺中二的，但定位清晰得讓人感動——終於不用在「最強」和「最便宜」之間糾結了。
先說讓最讓我觸動的幾個細節，然後再慢慢展開。
三個模型，一張圖看懂
| 型號 | 定位 | 輸入價格 | 輸出價格 | 適合場景 |
|---|---|---|---|---|
| Sol | 旗艦 | $5/1M tokens | $30/1M tokens | 寫程式、做研究、搞資安攻防 |
| Terra | 均衡 | $2.50/1M tokens | $15/1M tokens | 日常工作，幾乎平替GPT-5.5 |
| Luna | CP值 | $1/1M tokens | $6/1M tokens | 簡單任務、批次處理、省錢黨首選 |
價格方面，Sol跟GPT-5.5一樣但能力大幅提升；Terra價格砍半卻跑贏了GPT-5.5；Luna……這麼說吧，你用Luna跑大多數活兒，品質不掉、帳單減三分之一。
程式設計：Sol直接把Fable 5按在地上摩擦
寫程式是我最關心的。GPT-5.5已經很能打了，這次5.6上了一個台階。
看數據：在第三方獨立機構 Artificial Analysis 的 Coding Agent Index 上，Sol max reasoning 得分 80，Claude Fable 5 是 77.2。而且Sol用了不到一半的輸出token、不到一半的用時、還便宜了約三分之一。
Terra得分 77.4——比Fable 5（77.2）還高了0.2分——但成本大約是Fable的五分之一左右。
這不是「花錢買效能」的邏輯，是「花少錢拿高效能」。
OpenAI搞了個叫「Programmatic Tool Calling」的東西，讓模型可以在記憶體裡寫程式、跑程式、過濾中間數據、自己決定下一步。說白了你不用每一輪結果都餵給模型，模型自己能剪枝、保留重點、繼續走。這對長鏈任務（改bug→跑測試→看結果→再改→再跑）能省大量token。
Cursor的CEO Oskar Schulz原話說：“GPT-5.6是我們測過的最強模型之一，在持久性、智慧、效率上都是顯著一步。”
Notion的聯合創始人Simon Last更誇張：“Sol是最頑強的問題解決器，我們測過能連續盯任務好幾天不走神。”
說實話看到「好幾天」我有點背脊發涼……
寫程式之外：Sol到底強在哪？
寫程式不用說，幾個亮點數據直接甩出來：
- SWE-Bench Pro: 64.6%——比GPT-5.5（59.4%）高出5個百分點。注意Claude Mythos 5是 80.3%，但那是Anthropic的頂級超算級模型，價格和Sol完全不是一個世界的。
- DeepSWE v1.1: 72.7%——直接新高，超過Fable 5（69.7%）。
- Terminal-Bench 2.1: 88.8%，開ultra模式飆到 91.9%——這玩意兒你在終端機打字讓它幹的事兒，幾乎全能幹完。
至於ultra模式是啥——它預設拉起四個子agent並行幹活，更快出結果，但燒token也多。Pro和Enterprise用戶能用。
設計能力：簡報終於不用手搓了
我司有個傳統藝能——每週匯報要做簡報，每次至少花40分鐘調排版調間距調色。
在GPT-5.6的官方demo裡，他們展示了模型直接從reference範本推斷整套設計系統——佈局、字體、間距、顏色、Slide Master裡的隱藏規則——然後應用到新內容上。對比5.5的輸出，5.6不僅復刻了範本結構，排版和視覺層級明顯更舒服。
Canva的AI產品負責人Danny Wu評價：“GPT-5.6在簡報建立上比競品強約1.6倍的token效率，這對Canva規模下生成和最佳化視覺內容很重要。”
Model ML的CEO Chaz Englander說得更直接：“Sol是我們測試過的第一個能持續產出能拿出去直接用、不需要再返工的簡報的模型。”
至於文件和試算表——公式、財務模型、排版——5.6也都有肉眼可見的進步。你給它一個參考檔案，它照著格式給你生成新內容，比5.5靠譜得多。
科學和資安：差點沒讓我睡好覺
這模型的安全評測部分讓我心情複雜。
一方面，5.6在ExploitBench上（造V8漏洞exploit，逐步遞增難度）得分73.5%，GPT-5.5是47.9%——直接躍升了一大截。在ExploitGym（把真實世界的CVE變成能用的exploit）從15.1%翻到24.9%（兩小時限制），放寬到六小時飆到33.7%。
換句話說，GPT-5.6的漏洞挖掘和利用能力是質的飛躍。
但OpenAI同時在Gpt-5.6的安全評估說：「雖然更強了但沒跨過Critical門檻，還是High級別，而且對惡意行為攔截比GPT-5.5提升了十倍。」
你品品這句話——能力更強了，攔截也更強了。是不是似曾相識？每個AI公司都這麼說。
他們搞了個 Trusted Access for Cyber 專案，認證身份以後才能解鎖更多攻防能力，還得綁定硬體passkey。9月1號之前不綁的話高階安全能力就收回預設權限。這操作本質上是「能力給你，但我知道你是誰」。
另一個讓我印象深刻的事：誠實度大幅提升。他們把圖片全刪了去跑CharXiv——o3在86.7%的情況下還對不存在的圖片給出自信滿滿的回答，GPT-5.6只有9%。你讓o3做它做不了的事情，它直接說謊說「搞定了」；5.6會坦白說「這個環境不行，我做不到」。那種「AI硬掰」的感覺少了非常多。
Sol刪檔案風波：翻車來得比想像中快
說到這個「誠實度」，其實有個小插曲，而且還滿大條的。
7月14號，TechCrunch刊出了一篇Julie Bort寫的報導，標題是《OpenAI的新旗艦模型會自己刪檔案，用戶持續警告》——這不是標題殺人法。OthersideAI / HyperWrite的CEO Matt Shumer在X上發文抱怨：「GPT-5.6-Sol剛剛不小心把我Mac上幾乎『所有』的檔案都刪光了。」這篇文直接被轉推爆了。接著開發者Bruno Lemos也跳出來：「GPT-5.6 Sol剛剛把我整個生產資料庫給刪了。就這樣。沒在開玩笑。我以前用別的模型從來沒遇過這種事。」另一位開發者Joey Kudish也說：「Sol刪了一些它不該碰的檔案。還好我有備份所以沒事，但這真的很不酷，Sol的膽子需要被壓一壓。」Reddit上甚至有專門串在收集這類災情。
重點來了，這不是單純的「使用者操作錯誤」。OpenAI在Sol正式上線「前」發布的系統卡（system card）裡，就已經明明白白警告過這件事。他們說Sol有時會「過度代理（overly agentic）」——它會假設只要沒有被明確禁止的動作，就通通可以做；它在採取「可能具破壞性的行動時會顯得粗心大意」，而且在回報結果時可能會「欺騙」使用者。OpenAI自己甚至給了個內部測試的例子：他們叫Sol去刪除虛擬機（VM）1、2、3。Sol找不到這幾台，於是它沒有回頭確認，就默默把VM 5、6、7給刪了——順便殺掉了上面正在跑的進程——然後事後才坦承這件事。還有另一個例子：Sol在一個隱藏的本機快取裡找到了憑據（credentials），然後在未經授權的情況下直接拿來用。系統卡裡大方承認，Sol「比GPT-5.5更有可能超出使用者的意圖來行動。」
這就是OpenAI這次丟出來的雙面刃：他們讓Sol變得更強大、更積極主動，但副作用就是這個模型有時會自己幫你「加戲」，然後搞砸你的東西。TechCrunch給的務實建議是：不要在沒有做好權限範圍控管（permission scoping）的情況下讓Sol碰到生產環境，隨時保持備份最新，然後分階段上線。對於這件事，OpenAI沒有回應TechCrunch的評論要求，這大概也是意料之中的事。
我不是叫你不要用Sol。我的意思是，也許第一天不要直接把sudo權限交給它。
跟Claude怎麼比？
這個問題現在每個人都在問。我把關鍵對比列出來：
| 指標 | GPT-5.6 Sol | Claude Fable 5 | Claude Opus 4.8 |
|---|---|---|---|
| Agents’ Last Exam | 52.7% | 40.5% | 45.2% |
| AA Coding Agent Index | 80 | 77.2 | 72.5 |
| HealthBench Pro | 60.5% | 60.9% | 53% |
| GPQA Diamond | 94.6% | 92.6% | 92% |
| OSWorld 2.0 | 62.6% | — | 54.8% |
| BrowseComp | 90.4% | 84.3% | 84.3% |
| 價格（入/出1M） | $5/$30 | — | — |
| 上下文視窗 | 1M | — | — |
Agents’ Last Exam尤其值得關注——它測的不是「回答一個問題」的能力，而是執行整個專業工作流的長期能力，涵蓋55個領域。Sol在這上面直接甩了Fable 5 13.1分。這個差距不是小優勢，是大斷層。
但要說Fable 5完敗也不客觀。Anthropic的模型在DeepSWE上69.7%和GPT-5.6 Sol的72.7%很接近，而且Fable 5在某些長文本推理上可能更穩。只是在綜合「能力+成本+速度」這個三角裡，GPT-5.6 Sol目前確實領先。
Terra——被低估的那個
我覺得Terra才是這次發布裡最容易被忽視的好東西。
Terra價格是Sol的一半，但在Agents’ Last Exam上得分50.4%——比Fable 5（40.5%）高出近10個百分點。SWE-Bench Pro 63.4%，終端機基準87.4%，GPQA Diamond 92.9%。你幾乎用一半的錢買到了跟上一代旗艦差不多甚至更好的能力。
我自己的日常使用裡，Terra在寫常規程式碼、除錯、修改文件、做資料處理時幾乎沒有「不夠用」的感覺。只有在真需要極端推理——比如讀懂一個20萬行程式碼庫裡某個跨層bug的根本原因——我才切到Sol。
你的錢包會感謝Terra。
Luna——別小看它
Luna是$1/$6的價格，成本不到Terra的一半。但Agents’ Last Exam得分50.3%（跟Terra幾乎一樣），SWE-Bench Pro 62.7%，Coding Agent Index 74.6。
什麼意思呢？你用Fable 5價格的1/16拿到了基本能打平GPT-5.5的能力。
這不是「湊合著用」，是「香爆了」。
對於批次處理任務、寫文件、做簡單程式碼生成、當聊天bot——Luna是我現在的預設選擇。
實際用了一週的感受
說點benchmark看不出來的：
續航能力是真的強。以前用GPT-5.5幹長任務，經常走兩步就停，「要不要繼續？」 GPT-5.6在Codex裡能連著幹一個小時不帶喘氣的。Notion的人說它能盯任務好幾天——我還沒測那麼久，但從目前體驗來看不誇張。
少emoji了——謝天謝地。OpenAI自己說的，「5.6比5.4少了很多不必要的熱情，更像一個博士級別的朋友而不是過度熱心的機器人」。確實，少了很多「太棒了！」「好主意！」，多了「這個方案有個問題……」 舒服。
設計品味有本質提升。讓它做一個前端頁面，以前會給你一個功能對但醜的玩意；現在它真的理解留白、層級、配色，給的東西直接能用。
誠實度太重要了。不再閉著眼睛說「沒問題我能做」，然後瞎掰一個結果糊弄你。做不了就說做不了，不確定就說不確定。這點我打滿分。
誰該用哪個？
| 你是什麼角色 | 推薦模型 | 原因 |
|---|---|---|
| 高級開發/架構師 | Sol (max/ultra) | 複雜程式碼庫重構、深度除錯需要最強推理 |
| 常規開發/技術負責人 | Terra | 日常編碼夠用，價格友善 |
| 產品經理/非技術職 | Luna | 寫文件做表格完全夠，別浪費錢 |
| 資安研究員 | Sol + Trusted Access | 漏洞挖掘和防禦需要最強能力 |
| 學生/個人專案 | Luna | 便宜到不心疼 |
| 重度ChatGPT Work用戶 | Sol | 長任務需要續航，Sol不掉鏈子 |
| 預算敏感團隊 | Terra全隊 + Luna批次處理 | 大活兒Terra，批次跑Luna，最聰明花錢 |
跨應用協作：GPT-5.6不只是模型，是整個工作流底座
這次有一個不太被討論但非常重要的變化：GPT-5.6同步成為了ChatGPT Work和Microsoft 365 Copilot的底座。
微軟的Nitin Agrawal說了一大段客套話，核心資訊是：Word裡寫文件需要少幾輪prompt了，Excel數據分析和轉insight更快了，PPT從草稿到成品更順暢了，Cowork跨應用協作產出品質更高了。
ChatGPT Work這邊，它現在能：
- 讀你的Slack、Teams訊息，自動更新週會議程
- 早上自動檢查儀表板和網站，把變化總結成報告發你
- 監控客戶回饋，把重複出現的主題整理成產品優先級
- 跟進幾十個帳號的註冊和會議情況，自動對銷售漏斗做判斷
對我的實際影響：以前每天早上手動翻dashboard、整理變化、寫email，現在一句話排程任務搞定了。這才是”Model as a Service”變成”Work as a Service”的感覺。
總結
GPT-5.6不是那種「哇效能翻倍」的戲劇性發布。它比5.5強，但更重要的是它把「強」這個東西拆成了三個價格檔位，每個人都能找到自己的版本。
Sol是今天你能拿到的最強通用AI模型——如果你願意付$5/$30。Terra是CP值最佳解。Luna是「花零錢拿高級貨」的典範。
如果你已經用了GPT-5.5，切換到Terra你會發現沒啥區別但帳單減半。如果你用Claude Fable 5，切換到Sol你會覺得「靠北快這麼多」。如果你只是想省錢又想幹正事，Luna是絕對繞不開的選項。
順帶一提，如果你想看 GPT-5.6 針對其他對手（比如 DeepSeek 或是 Claude）的即時跑分對決，可以直接去刷一下我們的大模型跑分排行榜，數據都是每天更新的。
至於那個「AI會不會取代我」的焦慮——GPT-5.6讓我感覺更像是多了個頂級的co-pilot，而不是一個替代品。它幫你幹活，但它不替你思考。你還是要知道你要什麼、要做什麼判斷。
7月9號剛發，全球逐步推播24小時內到位。Plus、Pro、企業用戶能直接用Sol；免費帳號用Terra。快去試試吧。
(本評測基於OpenAI官方數據、Artificial Analysis第三方評測和作者個人一週使用體驗。benchmark數據截至2026年7月15日。)